NEC锂电池产品分类
日本NEC锂电池-官网
基于机器学习和遗传算法的动力NEC锂电池液冷板结构设计与性能优化
发布时间：2026-08-03 08:25:24 点击： 次
液冷板（LCP）的结构参数对电池的温度控制有显著影响。本文通过结合CAWOA-BP神经网络和NSGA-II优化算法优化了肋柱复合结构参数，与原始结构相比，其Nu和热增强系数（TEC）得到了有效提升。首先，肋柱复合结构与蛇纹形流通道LCP耦合，结果显示椭圆柱和交错半圆形肋骨复合结构EC-SSR性能优于其他复合结构，其TEC提升了34.47%。然后，从中提取五个结构参数作为变量，使用Nu和摩擦系数f作为构建数据集的目标函数。随后，CAWOA-BP神经网络通过包含155个样本点的训练集训练，然后通过优化算法和数值模拟确定最优结构参数。最优结构的Nu从2.89提升至6.32，TEC较初始结构增加了51.33%，尽管摩擦系数f从0.41提高到1.24。对冷却结构提供了一些见解。
简介
目前主流的BTMS系统包括四大主要方法：空气对流冷却、相变材料温控、热管传导冷却和冷却介质循环制冷[9]、[10]、[11]。多维技术经济评估显示，液冷系统因其更高的热流密度和高热容，在商用车和高端乘用车细分市场中占据领先地位。系统架构主要分为两条技术路径。水下液冷和LCP接触导通[12]、[13]、[14]。与水冷的电解液兼容性风险和高密封要求相比，LCP通过通道设计实现了传热能力的提升，同时将系统集成复杂度降低了40%以上，生命周期维护成本降低了25%[15]。这使得LCP近年来成为学术研究的热门话题。LCP技术创新聚焦于三维突破。在流道拓扑优化领域，Fan团队[16]通过嵌入椭圆微沟和次级分形流道，实现了比传统蛇纹石流通道LCP相比流阻降低了92.6%。LCP用于电力电池的设计通常涉及多个目标的同时优化。一些学者基于这一目标开展结构优化方法，例如：Zhu 等人[17]对锂离子电池LCP进行了多目标拓扑优化设计，以增强热交换并减少压降。结果表明，拓扑优化的LCP相比仿生设计LCP实现了38.81%的功耗降低和17.87%的温升。郭等人[18]探索了四种带有蛇形流道的LCP，其中平行螺旋蛇形通道性能最佳，并通过正交实验优化结构参数，降低了74.18%的压降。Jiang等[19]优化了蛇形流道LCP的宽度、深度和转弯半径，并显示优化泵功率降低了71%。Sheng 等人[20]设计了一种新型双入口双出口蛇形通道的LCP。结果显示，进出口的位置以及流向对电池的温度分布和LCP的功耗比有很大影响。为了进一步增强LCP的热传递，湍流增强热传递的机制被研究。Abdulqader 等人[21]设计了七种不同的矩形多通道 LCP，经过实验验证，发现菱形多通道性能最佳。基于该翼结构，Rajalingam等人[22]在槽中引入了不同截面的微观结构，以深入研究微槽LCP的流体流动特性，并通过数值模拟发现翼型和反翼型翼的传热性能得到了提升，压降也相应降低。Nagendra等人[23]研究了肋骨角度、肋骨长度和肋宽对次级通道热性能的影响。结果表明，当肋骨与流向平行时，综合性能最佳。在微观结构工程方面，Wu等人[24]研究了扇形腔和环肋组合对微通道的影响。结果显示，圆肋与扇形腔的结合可以减少压降并提升传热性能。根据Wang等人[25]的研究，尽管等腰三角形和等腰梯形截面中波纹肋的传热系数分别提高了14.88%和20.66%，但摩擦系数是矩形截面的1.2–2倍。特别是，Lu 等人[26]优化了梯形肋状流通道，当压降降低87.9 Pa时，通道的传热性能略有提升。Fu等人[27]采用正交优化方案，优化了流线型蜂窝鳍状流线型流向通道，最大温差小于2°C。 大量研究表明，在流道内增加肋骨、柱子及其他结构可以提升流道的热性能。
LCP的热性能受多种因素影响，且这些因素之间的相互作用复杂，难以用传统公式准确描述。机器学习能够高效且准确地识别变量间的复杂关系，构建准确的预测模型，显著降低实验和时间成本。此外，机器学习还可以与多种优化算法结合使用，以寻找最佳因素组合。Chen 等人[28]总结了近年来的微通道冷却技术，指出结构设计可以与机器学习完全集成，以实现增强传热效果。当前关于LCP优化的研究通过算法的进步不断突破性能界限。刘团队[29]在仿生脉LCP中应用NSGA-II，优化流道分形尺寸至2.17，实现了T马克斯还约0.23°C，ΔT马克斯降低0.28°C，同时ΔP平均大幅下降了65.56%。Monika 等人[30]构建了LHS与代理建模及多目标遗传算法的混合架构，针对六边形微通道优化，最终ΔP下降了62.32%，Nu则增长了64.41%。一些学者还研究了不同机器学习方法之间的差异，如Zhu等人[31]，采用了结合神经网络算法与多目标优化算法的方法来优化浸没冷却系统的结构参数。通过比较三种神经网络算法（人工神经网络、克里金和RBF）的性能，发现克里金产生了 R2最接近1且误差最小的值。基于树形拓扑优化，Zhan等人[32]采用了NSGA-II来优化他们提出的树形信道LCP。结果显示，与传统直通LCP相比，最大温差和压降分别降低了13.94%、52.94%和61.5%，综合评估指数提升了89%。Gai 等人[33]采用LHS和Kriging模型及多目标优化算法系统优化热管理参数，结果显示与连续液冷策略相比，功耗降低了80.8%。经过范团队[34]对创新双层树突流通道的NSGA-II优化，LCP的性能达到最佳水平，性能远超普通LCP。这些研究表明，神经网络和优化算法是解决工程优化问题的有效手段。大多数先前研究使用BP神经网络，尽管它是一种高效且稳定的神经网络训练算法，但对于复杂模型来说，其准确性会有所不足。因此，本文利用CAWOA优化BP神经网络，以获得适合本文的高精度模型。
正如前述文献所示，优化LCP在动力电池中的传热性能不仅限于仿生叶脉或手风琴管等结构改造。流通道内内部热传递增强结构的作用不容忽视。然而，目前的研究主要聚焦于改变LCP形态以改善传热，对内部产生湍流的结构，尤其是肋柱复合结构及其对提升LCP传热性能的影响，研究尚不充分。因此，本研究重点关注流道内的肋柱复合结构，考察其对LCP内热传导和压降的影响。目前，AI科学代表了多个学科的主流研究趋势。因此，本文比较并分析了CAWOA-BP神经网络算法与传统BP神经网络算法的性能差异。此外，它提出了一种通过将CAWOA-BP神经网络算法与NSGA-II集成，设计并优化电力电池蛇形LCP结构及性能的方法。希望这些探索性工作能为电力电池热管理研究提供新的见解和参考。
标签: